CN111786476A - 一种无线电能传输系统的接收线圈位置预测方法 - Google Patents

一种无线电能传输系统的接收线圈位置预测方法 Download PDF

Info

Publication number
CN111786476A
CN111786476A CN202010780786.9A CN202010780786A CN111786476A CN 111786476 A CN111786476 A CN 111786476A CN 202010780786 A CN202010780786 A CN 202010780786A CN 111786476 A CN111786476 A CN 111786476A
Authority
CN
China
Prior art keywords
sample data
receiving coil
data
wireless power
power transmission
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010780786.9A
Other languages
English (en)
Inventor
谭平安
沈航
上官旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202010780786.9A priority Critical patent/CN111786476A/zh
Publication of CN111786476A publication Critical patent/CN111786476A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/90—Circuit arrangements or systems for wireless supply or distribution of electric power involving detection or optimisation of position, e.g. alignment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/10—Circuit arrangements or systems for wireless supply or distribution of electric power using inductive coupling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种无线电能传输系统的接收线圈位置预测方法；该位置预测方法包括：步骤S1，将接收线圈的水平偏移量视为位置预测信息，获取无线电能传输系统的原始数据，对原始数据进行预处理，由此得到系统的样本数据；步骤S2，分析样本数据信息特征，确定位置预测模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化样本；步骤S4，判断预测结果是否满足精度要求，若不满足则返回S3，若满足则进行S5；步骤S5，在线获取位置预测模型的输入因子，实现对接收线圈位置的精确预测。

Description

一种无线电能传输系统的接收线圈位置预测方法
技术领域
本发明涉及无线电能传输系统领域，特别涉及一种无线电能传输系统的接收线圈位置预测方法。
背景技术
线圈偏移问题在无线电能传输系统实际运行中经常出现，将造成系统的传输效率显著下降。近年来，人们逐渐采用多发射线圈结构来提高系统对线圈偏移的容忍度。接收线圈位置的实时获取对多发射无线电能传输系统非常重要，通常采用无线通信方式和互感参数辨识等方法进行获取。无线通信方式容易受到外界电磁信号的干扰，可靠性不高。同时，工程实际中互感参数的在线获取难以实现。为此，针对多发射无线电能传输系统接收线圈位置的预测方法还需进一步研究与完善。
发明内容
为了解决上述技术问题，本发明提供一种无线电能传输系统的接收线圈位置预测方法，用于解决无线电能传输系统的接收线圈位置获取。
一种无线电能传输系统的接收线圈位置预测方法，包括以下步骤：步骤S1，将接收线圈的水平偏移量视为位置预测信息，获取系统的原始数据，对原始数据进行预处理，由此得到系统的样本数据；步骤S2，分析样本数据信息特征，确定位置预测模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化样本；步骤S4，判断预测结果是否满足精度要求，若不满足则返回S3，若满足则进行S5；步骤S5，在线测量位置预测模型的输入因子，实现对接收线圈位置的精确预测。
上述无线电能传输系统的接收线圈位置预测方法，所述位置预测方法包括：支持向量机(SVM)，BP神经网络算法，贝叶斯算法等。
上述无线电能传输系统的接收线圈位置预测方法，所述获取多发射切换无线电能传输系统的原始数据，对原始数据进行预处理，由此得到系统的样本数据；包括：在不同传输距离和水平偏移工况下，在线获取系统的传输效率、输入电流等数据，对数据进行筛选和特征提取，筛选出系统需要的数据信息，建立样本数据：
Rn＝{(x1，y1)，(x2，y2)…(xi，yi)}，i＝1，2，3…n (1)
其中，xi＝(Di，Ii，ηi)表示第i组的传输距离D、原边电流I、系统效率η状态参数，yi表示第i组样本的位置预测信息。
上述无线电能传输系统的接收线圈位置预测方法，所述分析样本数据信息特征，确定位置预测模型的输入因子与标签；包括：通过对样本数据进行信息提取并分析影响系统传输效率的主要因素，最终确定将传输距离D、原边电流I、效率η作为位置预测模型输入因子，将水平偏移量y作为位置预测模型的标签，基于机器学习算法构建位置预测模型：
Figure BDA0002618167020000021
其中，b为位置预测y的阈值，ai *与ai为拉格朗日乘子；ai *与ai只有一小部分为0。式中,κ(x,xi)表示位置预测y的训练函数；采用是径向核函数：
κ(x,xi)＝exp(-g||x-xi||2) (3)
其中，g为自定义常数。
上述无线电能传输系统的接收线圈位置预测方法，所述判断预测结果是否满足精度要求；包括：随机抽取部分样本70％作为训练样本，30％作为测试样本。将训练与测试样本输入机器学习算法进行模型的训练与测试。当位置预测模型的测试精度满足要求时，则对位置预测模型进行泛化能力的验证，泛化能力满足精度要求时，无线电能传输系统位置预测模型构建成功。
上述无线电能传输系统的接收线圈位置预测方法，所述在线获取位置预测模型的输入因子，实现对接收线圈位置的精确预测；包括：在线获取位置预测模型的输入因子(传输距离D、输入电流I、效率η)，利用构建好的位置预测模型，实现对接收线圈位置的精确预测。
本发明创造性的设计了一种基于机器学习的无线电能传输系统的接收线圈位置预测方法，使系统能够自动在线预测接收线圈位置变化，并详细介绍了一种基于机器学习的无线电能传输系统数据输入因子选择方法，该方法能够有效减少位置预测误差以及计算复杂度，精确预测接收线圈位置信息。
附图说明
图1为本发明方法的主要步骤流程示意图。
图2为本发明的系统装置电路图。
图3本发明的多发射线圈结构图。
图4为本发明预测位置与实际位置对比图。
具体实施方式
本专利以无线电能传输系统的接收线圈位置预测方法为例，下面结合附图和实施例对本发明作进一步的说明。
如图1所示，一种无线电能传输系统的接收线圈位置预测方法，包括以下步骤：步骤S1，将接收线圈的水平偏移量视为位置预测信息，获取无线电能传输系统的原始数据，对原始数据进行预处理，由此得到系统的样本数据；步骤S2，分析样本数据信息特征，确定位置预测模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化样本；步骤S4，判断预测结果是否满足精度要求，若不满足则返回S3，若满足则进行S5；步骤S5，在线获取位置预测模型的输入因子，实现对接收线圈位置的精确预测。
当接收线圈发生水平偏移某位置时，对一种以SVR算法的多发射切换式无线电能传输系统的接收线圈位置预测方法进行详细阐述。步骤一：系统水平偏移下样本库建立
如图2所示，多发射切换式无线电能传输系统等效电路图，包括直流电压源、逆变模块、发射端补偿电容、多发射线圈阵列接收线圈、耦合机构开关组、接收端补偿电容、整流模块、负载。
如图3所示表示多发射线圈结构图。系统发射线圈是由2个圆形螺旋线圈组合而成；多发射线圈划分为三种工作模式，I、II为单区域工作模式，工作模式I+II为双区域工作模式。
在不同传输距离和水平偏移工况下，在线获取系统的传输效率、输入电流等数据，对数据进行筛选和特征提取，筛选出系统需要的数据信息，建立样本数据：
Rn＝{(x1，y1)，(x2，y2)…(xi，yi)}，i＝1，2，3…n (4)
其中，xi＝(Di，Ii，ηi)表示第i组的传输距离D、原边电流I、系统效率η状态参数，yi表示第i组样本的位置预测信息。
步骤二：预测模型结构参数确定与训练数据划分
选择步骤一中系统传输距离D＝8cm样本数据，通过分析接收线圈发生水平偏移对系统效率影响：将传输距离D、原边电流I、效率η作为位置预测模型输入因子，将水平偏移量y作为位置预测模型标签。对样本进行划分，将部分样本数据集中70％作为训练数据，30％作为测试数据，余下的样本作为泛化数据，为下一步模型构建做准备。
步骤三：建立位置预测模型
将步骤一中得到的(xi,yi)代入SVR算法中进行模型构建，建立非线性回归方程：
y＝f(η,D,I)＝wTk(x,xi)+b (5)
其中，b为位置预测y的阈值，wT为模型优化参数。式中κ(x,xi)表示位置预测y的训练函，采用的是径向核函数：
κ(x,xi)＝exp(-g||x-xi||2) (6)
其中，g为自定义常数。
通过数据训练计算出SVR算法相关参数，最终得到基于SVR算法构建的非线性位置预测模型为：
Figure BDA0002618167020000061
其中，ai与ai *为拉格朗日乘子，ai与ai *只有一小部分为0。
步骤四：在线位置预测信息
在系统传输距离D＝8cm，接收线圈发生水平偏移时，在线获取原边电流I、传输距离D、系统效率η三个输入因子，根据位置预测模型预测线圈偏移位置信息如图4(a)所示，图4(b)为D＝10cm验证模型泛化能力的预测结果。其平均误差精度分别在3％左右、5％左右，满足实验精度要求。
本发明的多发射切换式无线电能传输系统的接收线圈位置预测方法，在仿真与实验样机通过验证。实验参数：直流电源为25V，系统工作频率为85kHz，传输距离为8cm，负载为29Ω，副边补偿电容为8.1nf，副边自感为445uH，副边线圈内阻为1.5Ω，原边单区域与双区域自感分别为445uH、620uH，原边单区域与双区域补偿电容分别为8.1nf、5.9nf，原边单区域与双区域线圈内阻分别为1.3Ω、1.5Ω。实现精确预测接收线圈水平偏移位置。因此，将机器学习应用于多发射切换式无线电能传输系统的接收线圈位置预测有较好效果。以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种无线电能传输系统的接收线圈位置预测方法，其特征在于：步骤S1，将接收线圈的水平偏移量视为位置预测信息，获取无线电能传输系统的原始数据，对原始数据进行预处理，由此得到系统的样本数据；步骤S2，分析样本数据信息特征，确定位置预测模型的输入因子与标签；步骤S3，选取部分样本数据，70％作为训练数据，30％作为测试数据，余下样本数据作为泛化样本；步骤S4，判断预测结果是否满足精度要求，若不满足则返回S3，若满足则进行S5；步骤S5，在线获取位置预测模型的输入因子，实现对接收线圈位置的精确预测。
2.根据权利要求1所述的无线电能传输系统的接收线圈位置预测方法，其特征在于：所述步骤1中，获取无线电能传输系统的原始数据，对原始数据进行预处理，由此得到系统的样本数据；包括：在不同传输距离和水平偏移工况下，在线获取系统的传输效率、输入电流等数据，对数据进行筛选和特征提取，筛选出系统需要的数据信息，建立样本数据：
Rn＝{(x1，y1)，(x2，y2)…(xi，yi)}，i＝1，2，3…n (1)
其中，xi＝(Di，Ii，ηi)表示第i组的传输距离D、原边电流I、系统效率η状态参数，yi表示第i组样本的位置预测信息。
3.根据权利要求1所述的无线电能传输系统的接收线圈位置预测方法，其特征在于：所述步骤2中，分析样本数据信息特征，确定位置预测模型的输入因子与标签；包括：通过对样本数据进行信息提取，并分析影响系统传输效率的主要因素，最终确定将传输距离D、原边电流I、效率η作为位置预测模型输入因子，将水平偏移量y作为位置预测模型的标签。然后，基于机器学习算法构建位置预测模型。
4.根据权利要求1所述的无线电能传输系统的接收线圈位置预测方法，其特征在于：所述步骤4中，判断预测结果是否满足精度要求；包括：随机抽取部分样本数据的70％作为训练样本，30％作为测试样本，余下样本作为泛化样本数据。测试位置预测结果，如能达到精度要求，则表示位置预测模型构建成功。
5.根据权利要求1所述的无线电能传输系统的接收线圈位置预测方法，其特征在于：所述步骤5中，在线获取位置预测模型的输入因子，实现对接收线圈位置的精确预测；包括：在线获取位置预测模型的输入因子(传输距离D、输入电流I、效率η)，利用构建好的位置预测模型，实现对接收线圈位置的精确预测。
CN202010780786.9A 2020-08-05 2020-08-05 一种无线电能传输系统的接收线圈位置预测方法 Pending CN111786476A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010780786.9A CN111786476A (zh) 2020-08-05 2020-08-05 一种无线电能传输系统的接收线圈位置预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010780786.9A CN111786476A (zh) 2020-08-05 2020-08-05 一种无线电能传输系统的接收线圈位置预测方法

Publications (1)

Publication Number Publication Date
CN111786476A true CN111786476A (zh) 2020-10-16

Family

ID=72765861

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010780786.9A Pending CN111786476A (zh) 2020-08-05 2020-08-05 一种无线电能传输系统的接收线圈位置预测方法

Country Status (1)

Country Link
CN (1) CN111786476A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112757924A (zh) * 2020-12-23 2021-05-07 中兴新能源科技有限公司 电动汽车无线充电系统、原副边偏移量检测方法及装置
CN113128158A (zh) * 2021-05-06 2021-07-16 湘潭大学 一种无线电能传输系统的耦合系数辨识方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400210A (zh) * 2013-08-13 2013-11-20 广西电网公司电力科学研究院 一种短期风速组合预测方法
CN103633697A (zh) * 2013-11-22 2014-03-12 北京航空航天大学 电磁感应式非接触充电系统及其对准方法
CN104779715A (zh) * 2015-03-25 2015-07-15 天津大学 基于多供电线圈下无线能量传输系统的自动定位方法
CN104933841A (zh) * 2015-04-30 2015-09-23 重庆三峡学院 一种基于自组织神经网络的火灾预测方法
CN106874663A (zh) * 2017-01-26 2017-06-20 中电科软件信息服务有限公司 心脑血管疾病风险预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103400210A (zh) * 2013-08-13 2013-11-20 广西电网公司电力科学研究院 一种短期风速组合预测方法
CN103633697A (zh) * 2013-11-22 2014-03-12 北京航空航天大学 电磁感应式非接触充电系统及其对准方法
CN104779715A (zh) * 2015-03-25 2015-07-15 天津大学 基于多供电线圈下无线能量传输系统的自动定位方法
CN104933841A (zh) * 2015-04-30 2015-09-23 重庆三峡学院 一种基于自组织神经网络的火灾预测方法
CN106874663A (zh) * 2017-01-26 2017-06-20 中电科软件信息服务有限公司 心脑血管疾病风险预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SOYEON JEONG等: "Design of a Novel Wireless Power System Using Machine Learning Techniques for Drone Applications", 《2017 IEEE WIRELESS POWER TRANSFER CONFERENCE (WPTC)》 *
TIANHAO BAI等: "Machine Learning-Assisted Wireless Power Transfer Based on Magnetic Resonance", 《IEEE ACCESS ( VOLUME: 7)》, pages 109454 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112757924A (zh) * 2020-12-23 2021-05-07 中兴新能源科技有限公司 电动汽车无线充电系统、原副边偏移量检测方法及装置
CN113128158A (zh) * 2021-05-06 2021-07-16 湘潭大学 一种无线电能传输系统的耦合系数辨识方法

Similar Documents

Publication Publication Date Title
Dong et al. A calibration-free localization solution for handling signal strength variance
CN109829497B (zh) 一种基于监督学习的台区用户识别及判别方法
CN109033612B (zh) 一种基于振动噪声及bp神经网络的变压器故障诊断方法
CN105372581A (zh) 挠性电路板制造过程自动监测和智能分析系统及方法
CN104683984B (zh) 无线通信信号实时监测处理方法和系统
EP1175115A2 (en) Apparatus and method for geostatistical analysis of wireless signal propagation
Hollmén User profiling and classification for fraud detection in mobile communications networks
CN103068035A (zh) 一种无线网络定位方法、装置及系统
CN109429264B (zh) 一种数据处理方法、装置、设备及计算机可读存储介质
CN111786476A (zh) 一种无线电能传输系统的接收线圈位置预测方法
US11105855B2 (en) Tester and method for testing a device under test and tester and method for determining a single decision function
KR20070045558A (ko) 부분방전 원인 자동 추론용 신경망 회로의 입력벡터생성방법
KR20200137219A (ko) 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치
CN112348054A (zh) 多类型传感器的数据处理方法、装置、介质和系统
KR20130076406A (ko) 로그 데이터를 이용한 장소 추정 장치 및 그 방법
Ibrahim et al. Selection criteria for oil transformer measurements to calculate the health index
CN108271157A (zh) 一种伪基站识别方法及装置
Ma et al. A novel indoor fingerprint localization system based on distance metric learning and AP selection
CN111738878B (zh) 一种桥梁应力检测系统
CN116681186B (zh) 一种基于智能终端的用电质量分析方法及装置
CN109508820A (zh) 基于差异化建模的校园用电量预测建模方法
CN111343664B (zh) 用户定位方法、装置、设备及介质
CN113128158A (zh) 一种无线电能传输系统的耦合系数辨识方法
CN110944354A (zh) 基于波形分析和深度学习的基站干扰监测方法及系统
Torres-Sospedra et al. Exploiting different combinations of complementary sensor’s data for fingerprint-based indoor positioning in industrial environments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination